机器学习的回归VS分类回归VS分类|机器学习

本文概要

分类
回归
回归与分类之间的区别

回归和分类算法是监督学习算法。这两个算法用于在机器学习和预测工作与标记的数据集。但两者之间的区别是它们是如何用于不同的机器学习问题。
该回归算法用于预测的连续值，如价格，工资，年龄等和分类算法来预测回归和分类算法之间的主要区别/分类的离散值，如男性或女性，True或False，垃圾邮件或者非垃圾邮件等。
请看下图：

文章图片
分类分类是找到一个函数，这有助于在将所述数据集成基于不同参数的类的处理。在分类上，计算机程序被训练在训练数据集，并根据培训，它的分类数据到不同的类别。
分类算法的任务是找到映射函数映射输入（x）与离散输出（Y）。
例如：了解分类问题的最好的例子就是电子邮件垃圾邮件检测。该模型被训练的数以百万计的不同参数的电子邮件的基础上，只要收到新的电子邮件，它标识的邮件是否是垃圾邮件。如果电子邮件是垃圾邮件，然后将它移动到垃圾邮件文件夹。
ML分类算法的类型：
分类算法可以进一步分为以下几种类型：

Logistic回归
K-近邻
支持向量机
核SVM
朴素贝叶斯
决策树分类
随机森林分类

回归回归是查找变量和自变量之间的相关性的处理。它有助于预测连续变量，如市场趋势，房价的预测等的预测
回归算法的任务是找到映射函数映射所述输入变量（x）的连续输出变量（y）。
例如：假设我们想要做的天气预报，所以对于这一点，我们将使用回归算法。在天气预报中，模型被训练在过去的数据，一旦训练完成，它可以很容易地预测天气未来几天。
【机器学习的回归VS分类】回归算法的类型：

简单线性回归
多元线性回归
多项式回归
支持向量回归
决策树回归
随机森林回归

回归与分类之间的区别

回归算法	分类算法
在回归中，输出变量必须是连续的或实值。	在分类中，输出变量必须是离散值。
回归算法的任务是映射的输入值（x）的与连续输出变量（y）的。	分类算法的任务是将输入值(x)与离散输出变量(y)进行映射。
回归算法用于连续数据。	分类算法使用具有离散的数据。
在回归中，我们试图找到最合适的直线，这样可以更准确地预测输出。	在分类中，我们尝试寻找决策边界，将数据集划分为不同的类。
回归算法可以用来解决回归问题如天气预报，住宅价格预测等	分类算法可用于解决垃圾邮件的识别、语音识别、癌细胞识别等分类问题。
回归算法可进一步分为线性回归和非线性回归。	分类算法可以分为二元分类和多类分类。